Prévention de l'hypotension peropératoire par machine Learning : enjeux d'intégration clinique Prevention of intraoperative hypotension through machine Learning: clinical integration challenges Rahmani Kouadri, Bilal Apprentissage automatique ; hypotension ; bloc opératoire ; monitoring prédictif ; adoption ; formation Machine learning ; hypotension ; operating room ; prédictive monitoring ; adoption ; training L'hypotension peropératoire reste un risque important malgré la diversité des dispositifs de monitoring prédictif. Ce mémoire analyse l'apport de l'Hypotension Prédiction Index (HPI), algorithme fondé sur l'apprentissage automatique, capable d'anticiper une chute tensionnelle quelques minutes à l'avance. Une revue de littérature et une enquête mixte (questionnaire auprès de soignants, entretiens avec des anesthésistes) ont permis d'identifier les freins à son adoption : multiplication des écrans, absence de protocoles communs et déficit de formation continue. Si l'intérêt prédictif est reconnu (76% des répondants), la console HemoSphere est perçue comme encombrante et redondante. Deux axes d'intégration sont proposés : d'abord une intégration physique directe au moniteur principal, pour alléger l'interface visuelle et fluidifier la lecture ; ensuite, l'organisation de journées « HPI passives » où l'algorithme tourne en arriére-plan sans affichage, suivies de revues de cas locales. Un réentraînement périodique sur les données internes est aussi suggéré. En simplifiant l'ergonomie et en adaptant la formation aux réalités du bloc opératoire, cette approche vise à améliorer la détection précoce, optimiser les traitements vasopresseurs, et réduire les risques post-opératoires sans complexifier le travail des équipes. prédictive monitoring systems. This thesis examines the contribution of the Hypotension Prédiction Index (HPI), an algorithm based on machine learning that can forecast a drop in blood pressure several minutes before it occurs. A literature review and a mixed-method study (survey of operating room staff and interviews with anesthesiologists) identified major barriers to its adoption: the multiplication of screens, lack of shared protocols, and insufficient ongoing training. While 76% of respondents acknowledged the value of anticipating hypotensive episodes, many described the HemoSphere console as bulky, redundant with the main monitor, and unintuitive. Two improvements are proposed: integrating the HPI module directly into the main monitor to reduce visual overload, and implementing "passive HPI Days" during which the algorithm runs silently in the background, followed by case reviews to build clinical confidence. A three-year retraining of the algorithm on local datasets is also recommended to preserve prédictive accuracy. By simplifying the interface, reinforcing targeted training, and tailoring data use to local conditions, this strategy aims to reduce total hypotension duration, optimize vasopressor management, and ultimately improve postoperative outcomes without increasing the workload of operating room teams. Université de Lille ILIS Wallard, Alexandre Saim, Tarek Gorge, Hélène 2025/07/01 Mémoire Mémoire de Master Ingénierie de la santé Healthcare business et recherche clinique application/pdf https://pepite-depot.univ-lille.fr/LIBRE/Mem_ILIS/2025/ULIL_SMIS_2025_078.pdf ULIL_SMIS_2025_078 fre Accès libre